Penerapan Machine Learning Untuk Monitoring Kondisi Bantalan Berbasis Getaran

Muhammad, Khalish (2025) Penerapan Machine Learning Untuk Monitoring Kondisi Bantalan Berbasis Getaran. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Abstrak.pdf - Published Version Download (101kB)
	Text (BAB 1 Pendahuluan) BAB 1 Pendahuluan.pdf - Published Version Download (106kB)
	Text (BAB 5 Penutup) BAB 5 Penutup.pdf - Published Version Download (36kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (174kB)
	Text (Skripsi Full Text) Skripsi Fulltext.pdf - Published Version Restricted to Repository staff only Download (4MB)

Abstract

Kerusakan bearing merupakan masalah yang umum terjadi dan berkontribusi terhadap 40% dari keseluruhan kegagalan mesin. Machine Learning, bagian dari kecerdasan buatan, memungkinkan komputer untuk membangun model prediktif berdasarkan data masa lalu, meningkatkan akurasi dalam memperkirakan kondisi di masa mendatang. Convolutional Neural Network (CNN) merupakan algoritma yang popular digunakan dengan keakuratannya yang tinggi dalam mengenali gambar diantara algoritma yang lain. Deteksi awal kerusakan mesin, pengurangan biaya dan waktu maintenance dapat dilakukan dengan menerapkan machine learning. Penelitian ini menggunakan sistem motor poros sederhana yang dijalankan dengan asumsi kecepatan putar konstan pada 3000 rpm dan 4000 rpm. Bantalan normal dan bantalan dengan kondisi rusak dipasang pada dudukan secara bergantian dan data getaran direkam menggunakan akselerometer. Data kemudian disimpan dan diunggah ke Google Drive untuk diproses menggunakan Google Colaboratory. Kemudian, data diubah menjadi citra spectrogram dan dibagi menjadi data latih dan data uji dengan perbandingan 8:2 dimana data latih dan data uji berjumlah masing-masing 384 gambar dan 96 gambar. Data tersebut kemudian dilatih menggunakan metode CNN yang menghasilkan akurasi diatas 99%. Hasil prediksi menunjukan model berhasil memprediksi kerusakan bantalan dengan tingkat keyakinan model dalam memprediksi 47,5%.

Actions (login required)

View Item